期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
1
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于血清标志物等临床特征的机器学习模型在浸润性乳腺癌腋窝淋巴结转移预测中的应用研究
1
作者
依帕拉·伊力哈木
王蕾
+4 位作者
马涛
高春洁
刘静
赵婷
王岩
《中国肿瘤临床》
2025年第10期507-514,共8页
目的:本研究旨在结合血清生物标志物(serum tumor markers,STMs)和临床病理因素,预测浸润性乳腺癌患者腋窝淋巴结转移(axillary lymph node metastasis,ALNM)风险。方法:收集2015年1月至2019年12月在新疆医科大学附属肿瘤医院接受诊治的...
目的:本研究旨在结合血清生物标志物(serum tumor markers,STMs)和临床病理因素,预测浸润性乳腺癌患者腋窝淋巴结转移(axillary lymph node metastasis,ALNM)风险。方法:收集2015年1月至2019年12月在新疆医科大学附属肿瘤医院接受诊治的3360例患者的11个临床特征资料,采用5种机器学习(machine learning,ML)算法构建ALNM预测模型,并通过曲线下面积(area under curve,AUC)、准确度、Kappa值和Brier评分比较模型性能,并将表现最好的模型与基于逻辑回归(Logistic regression,LR)构建的列线图进行比较,以确定最终的模型。最后,根据确定的最终模型的夏普利加性解释(Shapley additive explanations,SHAP)值,对影响ALNM的危险因素进行重要性排序。结果:极限梯度增强(eXtreme gradient boosting,XGBoost)模型展现出最佳的预测性能(AUC=0.769,准确度=0.735,Kappa=0.450),并在训练和验证集上均优于传统基于LR的列线图[训练集AUC和Brier评分为0.822(0.810~0.820)vs.0.742(0.721~0.763),0.170(0.163~0.177)vs.0.197(0.189~0.204);验证集AUC和Brier评分为0.769(0.740~0.770)vs.0.747(0.716~0.779),0.190(0.178~0.202)vs.0.195(0.189~0.204)],最终确定XGBoost为本研究的最佳模型。SHAP值分析显示,影响ALNM的前四位因素为肿瘤分期、年龄、分子分型和CEA水平。结论:基于STMs和临床特征的XGBoost模型能较为准确地预测浸润性乳腺癌ALNM风险,其性能优于传统模型,且肿瘤分期是最关键的预测因素。
展开更多
关键词
乳腺癌
腋窝淋巴结转移
机器学习
血清标志物
SHAP值
在线阅读
下载PDF
职称材料
题名
基于血清标志物等临床特征的机器学习模型在浸润性乳腺癌腋窝淋巴结转移预测中的应用研究
1
作者
依帕拉·伊力哈木
王蕾
马涛
高春洁
刘静
赵婷
王岩
机构
新疆医科大学公共卫生学院
出处
《中国肿瘤临床》
2025年第10期507-514,共8页
基金
国家重点研发计划专项项目(编号:2022YFC2505100)资助。
文摘
目的:本研究旨在结合血清生物标志物(serum tumor markers,STMs)和临床病理因素,预测浸润性乳腺癌患者腋窝淋巴结转移(axillary lymph node metastasis,ALNM)风险。方法:收集2015年1月至2019年12月在新疆医科大学附属肿瘤医院接受诊治的3360例患者的11个临床特征资料,采用5种机器学习(machine learning,ML)算法构建ALNM预测模型,并通过曲线下面积(area under curve,AUC)、准确度、Kappa值和Brier评分比较模型性能,并将表现最好的模型与基于逻辑回归(Logistic regression,LR)构建的列线图进行比较,以确定最终的模型。最后,根据确定的最终模型的夏普利加性解释(Shapley additive explanations,SHAP)值,对影响ALNM的危险因素进行重要性排序。结果:极限梯度增强(eXtreme gradient boosting,XGBoost)模型展现出最佳的预测性能(AUC=0.769,准确度=0.735,Kappa=0.450),并在训练和验证集上均优于传统基于LR的列线图[训练集AUC和Brier评分为0.822(0.810~0.820)vs.0.742(0.721~0.763),0.170(0.163~0.177)vs.0.197(0.189~0.204);验证集AUC和Brier评分为0.769(0.740~0.770)vs.0.747(0.716~0.779),0.190(0.178~0.202)vs.0.195(0.189~0.204)],最终确定XGBoost为本研究的最佳模型。SHAP值分析显示,影响ALNM的前四位因素为肿瘤分期、年龄、分子分型和CEA水平。结论:基于STMs和临床特征的XGBoost模型能较为准确地预测浸润性乳腺癌ALNM风险,其性能优于传统模型,且肿瘤分期是最关键的预测因素。
关键词
乳腺癌
腋窝淋巴结转移
机器学习
血清标志物
SHAP值
Keywords
breast cancer
axillary lymph node metastasis(ALNM)
machine learning(ML)
serum biomarkers
SHAP values
分类号
R737.9 [医药卫生]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于血清标志物等临床特征的机器学习模型在浸润性乳腺癌腋窝淋巴结转移预测中的应用研究
依帕拉·伊力哈木
王蕾
马涛
高春洁
刘静
赵婷
王岩
《中国肿瘤临床》
2025
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
